Google และ AWS ใช้ประโยชน์จากพลังของแมชชีนเลิร์นนิงเพื่อคาดการณ์น้ําท่วมและไฟไหม้
แมชชีนเลิร์นนิงจากยักษ์ใหญ่ด้านเทคโนโลยีสามารถช่วยให้โลกตอบสนองต่อภัยพิบัติด้านสิ่งแวดล้อม เช่น น้ําท่วมกะทันหันและไฟป่าได้ดียิ่งขึ้นหรือไม่
นี่คือหน้าต่างโมดอล
จุดเริ่มต้นของหน้าต่างโต้ตอบ Escape จะยกเลิกและปิดหน้าต่าง
สิ้นสุดหน้าต่างโต้ตอบ
นี่คือหน้าต่างโมดอล โมดอลนี้สามารถปิดได้โดยการกดปุ่ม Escape หรือเปิดใช้งานปุ่มปิด
นี่คือหน้าต่างโมดอล โมดอลนี้สามารถปิดได้โดยการกดปุ่ม Escape หรือเปิดใช้งานปุ่มปิด
Google และ Amazon Web Services (AWS) ได้เน้นย้ําถึงงานของตนเกี่ยวกับโมเดลแมชชีนเลิร์นนิง (ML) ที่อาจช่วยให้ประเทศต่างๆ รับมือกับวิกฤตสิ่งแวดล้อมที่เกิดขึ้นอย่างสม่ําเสมอทั่วโลก
บริษัทต่างๆ ได้แสดงความพยายามในการรับมือกับผลกระทบจากการเปลี่ยนแปลงสภาพภูมิอากาศ เช่น น้ําท่วมและไฟป่า เนื่องจากการประชุมสหประชาชาติเกี่ยวกับการเปลี่ยนแปลงสภาพภูมิอากาศของสหราชอาณาจักร 2021 (COP26) จะสิ้นสุดลงในสัปดาห์นี้
น้ำ ท่วม
Google ได้เผยแพร่เอกสารที่ไม่ได้ผ่านการตรวจสอบโดยผู้เชี่ยวชาญเกี่ยวกับระบบพยากรณ์น้ําท่วมด้วยโมเดลแมชชีนเลิร์นนิงที่อ้างว่าให้ "คําเตือนน้ําท่วมแบบเรียลไทม์ที่ถูกต้องแก่หน่วยงานและสาธารณชนโดยมุ่งเน้นไปที่น้ําท่วมริมแม่น้ําในแม่น้ําขนาดใหญ่ที่มีการวัด" บทความนี้เขียนโดยนักวิจัยที่ Google Research และมหาวิทยาลัยฮีบรูแห่งเยรูซาเล็มในอิสราเอล
ดู: รายงานพบว่าผู้นําธุรกิจไม่สนใจการใช้ AI อย่างมีจริยธรรมและมีความรับผิดชอบอย่างน่าตกใจ
โครงการริเริ่มการคาดการณ์น้ําท่วมของ Google ซึ่งเปิดตัวในปี 2018 จะส่งการแจ้งเตือนไปยังสมาร์ทโฟนของผู้คนในพื้นที่ที่ได้รับผลกระทบจากน้ําท่วม เป็นส่วนหนึ่งของโปรแกรม Crisis Response ของ Google ซึ่งทํางานร่วมกับเจ้าหน้าที่ด่านหน้าและเจ้าหน้าที่ฉุกเฉินเพื่อพัฒนาเทคโนโลยี
ตั้งแต่ปี 2018 โครงการได้ขยายไปครอบคลุมพื้นที่ส่วนใหญ่ของอินเดียและบังคลาเทศ ซึ่งครอบคลุมพื้นที่ที่มีประชากรประมาณ 220 ล้านคน ในฤดูมรสุมปี 2021 สิ่งนี้ได้ขยายออกไปอีกเพื่อให้ครอบคลุมพื้นที่ที่มีประชากร 360 ล้านคนอาศัยอยู่
"ด้วยเทคโนโลยีการคาดการณ์น้ําท่วมที่ดีขึ้นเราจึงส่งการแจ้งเตือนมากกว่า 115 ล้านรายการ ซึ่งมากกว่าจํานวนที่เราส่งไปก่อนหน้านี้ประมาณสามเท่า" Yossi Matias รองประธานฝ่าย วิศวกรรมและการตอบสนองต่อวิกฤตของ Google กล่าวในบล็อกโพสต์
การแจ้งเตือนของ Google ไม่เพียงแต่ระบุว่าแม่น้ําจะเพิ่มขึ้นกี่เซนติเมตร ด้วยโมเดลแมชชีนเลิร์นนิงใหม่ที่ใช้โครงข่ายประสาทเทียมเชิงลึก Long Short-Term Memory (LTSM) ทําให้สามารถให้ "แผนที่น้ําท่วม" ที่แสดงขอบเขตและความลึกของน้ําท่วมเป็นเลเยอร์บน Google Maps
นักวิจัยโต้แย้งว่า "แบบจําลอง LSTM ทํางานได้ดีกว่าแบบจําลองแนวคิดที่ปรับเทียบเป็นบันทึกข้อมูลยาวในทุกแอ่ง"
"แม้ว่าการศึกษาก่อนหน้านี้จะให้ผลลัพธ์ที่น่ายินดี แต่ก็หายากที่จะพบระบบปฏิบัติการจริงที่มีโมเดล ML เป็นส่วนประกอบหลักที่สามารถคํานวณคําเตือนน้ําท่วมได้ทันท่วงทีและแม่นยํา"
ไฟไหม้
ในขณะเดียวกัน AWS ได้ทํางานร่วมกับ AusNet ซึ่งเป็นบริษัทพลังงานที่ตั้งอยู่ในเมลเบิร์น ประเทศออสเตรเลีย เพื่อช่วยบรรเทาไฟป่าในภูมิภาค
AusNet มีสายไฟยาว 54,000 กิโลเมตรที่จ่ายพลังงานไปยังบ้านเรือนและธุรกิจประมาณ 1.5 ล้านหลังในรัฐวิกตอเรีย คาดว่า 62% ของเครือข่ายอยู่ในพื้นที่เสี่ยงไฟป่าสูง
AusNet ใช้รถยนต์ที่ติดตั้งกล้อง LiDAR สไตล์ Google Maps และแมชชีนเลิร์นนิง Amazon SageMaker เพื่อทําแผนที่พื้นที่พืชพรรณของรัฐที่ต้องตัดแต่งเพื่อยับยั้งภัยคุกคามจากไฟป่า ระบบก่อนหน้านี้อาศัย GIS (ระบบสารสนเทศภูมิศาสตร์) และใช้เครื่องมือที่กําหนดเองเพื่อติดป้ายกํากับจุด LiDAR
AusNet ทํางานร่วมกับ AWS เพื่อจัดประเภทจุด LiDAR โดยอัตโนมัติโดยใช้โมเดลการเรียนรู้เชิงลึกที่มีการจัดการของ AWS, อินสแตนซ์ GPU และพื้นที่จัดเก็บ S3
AusNet และ AWS สร้างโมเดลการแบ่งส่วนความหมายที่จําแนกข้อมูลพอยต์คลาวด์ 3 มิติสําหรับตัวนํา อาคาร เสา พืชพรรณ และหมวดหมู่อื่นๆ ได้อย่างแม่นยํา AWS บันทึกไว้ในบล็อกโพสต์
ดู: การเปลี่ยนแปลงทางดิจิทัลคืออะไร? ทุกสิ่งที่คุณจําเป็นต้องรู้เกี่ยวกับวิธีที่เทคโนโลยีกําลังพลิกโฉมธุรกิจ
"ทีมงานสามารถฝึกโมเดลในอัตรา 10.8 นาทีต่อยุคบนข้อมูลที่ไม่บีบอัด 17.2 GiB ใน 1,571 ไฟล์ รวมประมาณ 616 ล้านจุด สําหรับการอนุมาน ทีมงานสามารถประมวลผลข้อมูลที่ไม่ได้บีบอัด 33.6 GiB ใน 15 ไฟล์ รวม 1.2 พันล้านจุดใน 22.1 ชั่วโมง สิ่งนี้แปลเป็นการอนุมานโดยเฉลี่ย 15,760 จุดต่อวินาที รวมถึงเวลาเริ่มต้นที่ตัดจําหน่าย" AWS ระบุ
"ความสามารถในการติดฉลากข้อมูลการสํารวจทางอากาศของเราอย่างรวดเร็วและแม่นยําเป็นส่วนสําคัญในการลดความเสี่ยงของไฟป่า" Daniel Pendlebury ผู้จัดการผลิตภัณฑ์ของ AusNet กล่าว
"การทํางานร่วมกับ Amazon Machine Learning Solutions Lab เราสามารถสร้างโมเดลที่มีความแม่นยําเฉลี่ย 80.53% ในการติดฉลากข้อมูล เราคาดว่าจะสามารถลดความพยายามในการติดฉลากด้วยตนเองได้ถึง 80% ด้วยโซลูชันใหม่"